NILMFormer: Non-Intrusive Load Monitoring that Accounts for Non-Stationarity
EDF R&D - Université Paris Cité（EDF研究与开发 - 巴黎大学）
本文提出基于Transformer的NILMFormer，通过子序列平稳化/去平稳化方案和时间戳位置编码缓解智能电表数据非平稳性带来的分布漂移，显著提升非侵入式负荷监测性能，并已部署于法国电力公司服务。
2025-06-06 cs.LG eess.SP
FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
University of Essex（埃塞克斯大学）；Durham University（杜伦大学）；University College Cork（科克大学学院）
非侵入式负载监测（NILM）通常利用机器学习方法，并有效地将智能电表读数从家庭级别分解为电器级别的消耗，可以帮助分析用户的用电行为，并实现实际的智能能源和智能电网应用。然而，智能电表是私有和分布式的，这使得NILM的实际应用具有挑战性。为此，本文提出了一种分布式隐私保护的联邦深度学习框架（FederatedNILM），将联邦学习与最先进的深度学习架构相结合，进行NILM，用于家电典型状态的分类。通过大量的对比实验，证明了所提出的FederatedNILM框架的有效性。
2021-08-08 cs.AI cs.LG eess.SP
Real-Time Energy Measurement for Non-Intrusive Well-Being Monitoring of Elderly People -- a Case Study
OneMeter Sp. z o.o.（OneMeter有限责任公司）；Warsaw University of Technology（华沙理工大学）
本文通过案例研究提出一种基于实时能耗测量的非侵入式老年人健康监测方法，利用电表信标和异常检测分析日常用电画像，为护理人员提供健康洞察。
2024-06-29 cs.CY cs.LG eess.SP
Non-intrusive Water Usage Classification Considering Limited Training Data
KIOS Research and Innovation Center of Excellence, University of Cyprus（塞浦路斯大学KIOS研究与创新卓越中心）；Department of Electrical and Computer Engineering, University of Cyprus（塞浦路斯大学电气与计算机工程系）
对家庭用水量进行智能计量，以持续监测不同电器的使用情况，已被证明对人们的节水行为有影响。然而，安装多个传感器来监视每个电器目前具有高的初始成本，并且因此，使用传感器监视来自不同电器的消耗不具有成本效益。为了应对这一挑战，研究重点是使用机器学习（ML）方法分析家庭总消费量的测量结果，将用水量分解到每个设备中。通过ML识别哪些设备正在使用是具有挑战性的，因为它们的操作可能是重叠的，而特定的设备可能会以间歇性的流操作，使得单个消费事件难以区分。此外，ML方法需要大量标记的输入数据来训练它们的模型，这通常不适用于单个家庭，而使用特性可能在不同地区有所不同。在这项工作中，我们首先提出了一个数据模型，该模型根据区域用水特征和分辨率生成合成时间序列，以克服对具有真实标记数据的大型训练数据集的需求。该方法需要少量的真实标记的数据从研究区域。在此之后，我们提出了一种新的算法，用于分类单一和重叠的家庭用水事件，使用总的家庭消费测量。
2023-01-02 cs.LG cs.SY eess.SP
Challenges in Gaussian Processes for Non Intrusive Load Monitoring
IIT Gandhinagar（印度理工学院甘地纳加尔分校）
非侵入式负载监测（NILM）或能源分解旨在将家庭总能源消耗分解为组成电器。先前的工作表明，提供能量分解可以帮助人们节省高达15%的能量。近年来，深度神经网络在NILM领域取得了显著的进展。在本文中，我们证明了NILM的高斯过程（GP）的性能。我们选择GP有三个主要原因：i）GP固有的模型不确定性; ii）无限NN和GP之间的等价性; iii）通过适当设计内核，我们可以结合领域专业知识。我们探索并提出了将GP方法应用于NILM的挑战。
2022-11-18 cs.LG eess.SP
Mixed-Integer Nonlinear Programming for State-based Non-Intrusive Load Monitoring
能量分解，在文献中称为非侵入式负载监测（NILM），是在给定由单个智能电表记录的聚合信号的情况下推断每个电器的能量消耗的任务。在本文中，我们提出了一种新的两阶段优化为基础的能量分解方法。在第一阶段，一个小的训练集，包括分解的功率分布被用来估计参数和功率状态，通过解决一个混合整数规划问题。一旦模型参数被估计，能量分解问题被公式化为一个受约束的二元二次最优化问题。我们采用惩罚条款，利用先验知识的分解痕迹是如何产生的，和电器特定的约束特征的签名不同类型的电器同时操作。我们的方法与现有的基于优化的算法在合成数据集和三个现实世界的数据集进行比较。所提出的配方是计算效率高，能够消除歧义的负载与类似的消费模式，并成功地重建签名的已知电器，尽管存在未计量的设备，从而克服了文献中提供的基于优化的方法的主要缺点。
2022-02-22 cs.LG math.OC stat.ML
Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring
Department of Computer Science University of Colorado Colorado Springs（计算机科学系，科罗拉多州立大学）；School of Computation, Information, and Technology (CIT) Technical University of Munich（计算、信息与技术学院（CIT），慕尼黑技术大学）；School of CIT Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学）；Software AG Munich, Germany（软件AG，德国慕尼黑）；School of CIT and MDSI Technical University of Munich（计算、信息与技术学院和MDSI，慕尼黑技术大学）
本文提出基于贝叶斯优化的AutoML方法以支持NIALM能源分解，基准发现简单模型常优于复杂方法，并发布开源工具AutoML4NIALM。
2025-04-25 cs.AI cs.LG cs.SE
Evolutionary Deep Nets for Non-Intrusive Load Monitoring
该研究针对内存与计算受限场景，提出自适应稀疏进化训练与热启动压缩方法，在非侵入式负荷监测中优化卷积网络，提升F1值并减少权重与连接数，但受样本限制无法验证泛化性能。
2026-10-23 cs.AI cs.LG cs.NE
Latent Tensor Factorization with Nonlinear PID Control for Missing Data Recovery in Non-Intrusive Load Monitoring
College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）
针对NILM缺失数据恢复中SGD-based LFT模型收敛慢的问题，提出结合非线性PID控制与PSO增益自适应的NPIL模型，在真实数据集上实现更快收敛和更高精度的缺失数据恢复。
2025-04-18 cs.LG
Incorporating Coincidental Water Data into Non-intrusive Load Monitoring
Tarbiat Modares University（塔比阿特莫达勒斯大学）
非侵入式负载监测（NILM）作为从聚合功率信号提取电器的使用模式的过程是辅助住宅能量管理的成功方法之一。近年来，关于功率分布的大容量数据集已经变得可用，这有助于使用于NILM目的的分类方法更有效和更准确。然而，多模式电器和具有接近功率值的电器的存在在恶化计算复杂性和降低这些算法的准确性方面仍然有影响。为了解决这些挑战，我们提出了一个基于事件的分类过程，在第一阶段的$K$ -最近邻居的方法，作为一种快速分类技术，提取电力信号的电器独家不重叠的功率值。然后，利用两个深度学习模型来区分具有重叠功率值的设备，这两个深度学习模型将一些设备的耗水量视为网络中的新签名。除了功率分解之外，所提出的过程还提取特定器具的水消耗概况。为了说明所提出的过程，并验证其效率，七个电器的AMPDS被认为是与数值分类结果显示显着改善现有的基于分类的NILM技术。
2021-01-18 cs.LG cs.SY eess.SY
DP$^2$-NILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring
University of Essex（埃塞克斯大学）；Durham University（杜伦大学）；University of Sheffield（谢菲尔德大学）
本文提出DP2-NILM分布式隐私保护框架，首次在联邦学习NILM中同时优化效用与隐私，测试两种联邦策略及两级差分隐私，在三个真实数据集上开展对比验证。
2022-06-30 cs.AI cs.LG
Edge-Optimized Deep Learning & Pattern Recognition Techniques for Non-Intrusive Load Monitoring of Energy Time Series
National Technical University of Athens（雅典国立科技大学）
针对NILM数据集地域偏差及深度学习依赖云端的问题，本文提出Plegma Dataset与可互操作采集框架，并结合模型压缩实现高效边缘部署。
2025-05-07 cs.LG eess.SP stat.ML
ABODE-Net: An Attention-based Deep Learning Model for Non-intrusive Building Occupancy Detection Using Smart Meter Data
New Mexico Institute of Mining and Technology（新墨西哥矿业与技术学院）
占用信息对于建筑部门的有效能源管理是有用的。智能电表在高级计量基础设施（AMI）网络中收集的大量高分辨率电力消耗数据使其能够以非侵入式方式推断建筑物的占用状态。在本文中，我们提出了一种称为ABODE网络的深度学习模型，该模型采用了一种新的并行注意力（PA）块，用于使用智能电表数据进行建筑物占用检测。PA块以并行方式组合时间、变量和信道注意模块，以表示占用检测的重要特征。在我们的性能评估中，我们采用了两个广泛用于建筑物占用检测的智能电表数据集。包括一组最先进的浅层机器学习和深度学习模型以进行性能比较。实验结果表明，ABODE-Net在所有实验情况下都明显优于其他模型，证明了其作为非侵入式建筑物占用检测解决方案的有效性。
2022-12-21 cs.LG eess.SP
Convolutional Sequence to Sequence Non-intrusive Load Monitoring
Department of Electrical Engineering, Tsinghua University（清华大学电气工程系）；Department of Information Technology and Electrical Engineering, ETH Zürich（苏黎世联邦理工学院信息技术与电气工程系）；Department of Industrial and Systems Engineering, University of Southern California（南加州大学工业与系统工程系）；Department of Electrical Engineering, Beijing Jiaotong University（北京交通大学电气工程系）
提出了一种卷积序列对序列的非侵入式负荷监测模型。门控线性单元卷积层用于从总电力消耗的序列中提取信息。还引入了残差块来细化神经网络的输出。对网络的部分重叠输出序列进行平均，以产生模型的最终输出。我们将该模型应用于REDD数据集，并将其与文献中的卷积序列到点模型进行比较。结果表明，该模型能够对不同特征的家电产品给出满意的解集性能。
2018-06-06 cs.LG stat.AP stat.ML
Towards Comparability in Non-Intrusive Load Monitoring: On Data and Performance Evaluation
University of Klagenfurt（克拉根福大学）；Simon Fraser University（西蒙弗雷泽大学）
非侵入式负载监测（NILM）包括一套技术，可提供对家庭和工业设施能耗的深入了解。最新的贡献表明，显着改善的准确性和概括能力。尽管在分类技术方面取得了所有进展，但业绩评价和可比性仍然是一个悬而未决的研究问题。缺乏标准化和共识的评价程序使得再现性和可比性非常困难。在本文中，我们提请注意NILM的可比性，重点突出了用于测试算法性能的常见能量数据集之间的显著差异。我们将关于可比性的讨论分为数据方面、性能指标，并对评估过程进行了详细的介绍。预处理以及数据清洗方法的详细信息，统一的性能报告的重要性，并在负载分解的复杂性措施的需要被发现是最紧迫的问题，在NILM相关的研究。此外，我们的评估表明，应该仔细选择数据集。最后，我们制定了建议，为今后的工作，以提高可比性。
2020-01-20 cs.LG eess.SP
Neural Network for NILM Based on Operational State Change Classification
Tongji University（同济大学）；University of Oklahoma（俄克拉荷马大学）
能源分解以非侵入性的方式估计电器水平的电力消耗从一个单一的米，衡量整个房子的电力需求。近年来，随着能源数据的不断增加，有许多数据驱动的深度学习架构被应用于解决非侵入式能源分解问题。然而，大多数提出的方法试图估计开关状态或设备的功耗，这不仅需要大量的参数，而且需要在训练之前进行超参数优化，甚至对指定设备的能量数据进行预处理。本文采用神经网络来估计电器的运行状态变化，而不是估计开关状态或功耗。与以前的方法相比，我们提出的解决方案在各种设备上更可行，复杂性更低。在低采样率数据集REDD上的仿真实验表明，该方法与基于隐马尔可夫模型的方法和基于图信号处理的方法相比，具有较好的性能。
2019-03-19 cs.LG stat.ML
Scale- and Context-Aware Convolutional Non-intrusive Load Monitoring
Tsinghua University（清华大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；ETH Zürich（苏黎世联邦理工学院）
非侵入式负载监控解决了将家庭用电量的聚合信号分解为电器级数据而无需安装专用电表的挑战性任务。通过检测负载故障和推荐节能方案，经济高效的非侵入式负载监控为公用事业和最终用户提供智能需求侧管理。在本文中，我们提高了能量分解的准确性与一种新的神经网络结构命名为规模和上下文感知网络，它利用多尺度特征和上下文信息。具体来说，我们开发了一个多分支架构与多个感受野大小和分支明智的门，连接分支的子网络。我们建立了一个自我注意模块，以促进全球背景的整合，我们将对抗性损失和状态增强，以进一步提高模型的性能。在开放数据集上测试的大量仿真结果证实了所提出的方法的优点，其性能显着优于最先进的方法。
2019-11-17 cs.LG eess.SP stat.ML
On Metrics to Assess the Transferability of Machine Learning Models in Non-Intrusive Load Monitoring
University of Klagenfurt（克拉根福大学）；University of Ghent（根特大学）；Simon Fraser University（西蒙弗雷泽大学）
为了评估负载分解算法的性能，通常的做法是在来自一个或多个家庭的数据上训练候选算法，并且随后通过评估来自相同家庭的数据集的不可见部分上的分类和能量估计性能来应用交叉验证。随着对非侵入式负载监控（NILM）中可转移性的讨论的兴起，需要特定于域的指标来评估NILM算法在新的测试场景中的性能，这些场景是看不见的建筑物。在本文中，我们讨论了几个指标来评估NILM算法的泛化能力。这些指标针对NILM中性能评估的不同方面，旨在补充传统的性能评估方法。我们演示了如何利用我们的指标来评估NILM算法通过两个案例研究。我们对几个能源消耗数据集进行了研究，并考虑了五种最先进的NILM解决方案和四种基准NILM解决方案。最后，我们制定了未来工作的研究挑战。
2019-12-12 cs.LG stat.ML
Machine Learning Approaches for Non-Intrusive Home Absence Detection Based on Appliance Electrical Use
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
家庭缺席检测是灵巧家庭装置上的新兴领域。确定房子的居民是否在场，在许多情况下都很重要。可能的情况包括但不限于：独居老人、痴呆症患者、居家隔离。大多数已发表的论文都集中在压力/门传感器或摄像机上，以检测外出事件。虽然上述方法提供了可靠的结果，但它们是侵入性的，并且需要对传感器放置进行修改。在我们的工作中，电器的使用是作为一种手段来检测居民的存在或不存在。能量使用是功率分解的结果，这是一种非侵入式/非侵入式感测方法。由于无法获得为家庭缺失提供能量数据和地面实况的数据集，因此在UK-DALE数据集上引入了人工外出事件，UK-DALE数据集是用于非侵入式负载监测（NILM）的众所周知的数据集。使用生成的数据集评估了几种机器学习算法。基准测试结果表明，使用家电功耗的家庭缺席检测是可行的。
2022-03-30 cs.AI cs.LG cs.NE
Multi Label Restricted Boltzmann Machine for Non-Intrusive Load Monitoring
Indrapratha Institute of Information Technology, Delhi（德里印德拉普拉斯塔信息技术学院）
人口增长表明，需要在住宅部门管理能源需求。先前的研究表明，如果向客户提供电器级反馈，客户往往会减少大量的能源消耗。这一发现增加了负载监控在当今技术娴熟的世界中的相关性。大多数以前提出的解决方案都声称可以在没有入侵的情况下执行负载监控，但它们并不是完全非入侵的。这些方法需要历史设备级数据来训练每个设备的模型。这些数据是通过在家中的每个电器上放置传感器来收集的，这会导致建筑物的入侵。最近的一些研究提出，如果我们将非侵入式负载监控（NILM）框架为多标签分类问题，则可以避免对设备级数据的需求。在本文中，我们提出了多标签限制玻尔兹曼机（ML-RBM）的NILM和报告的实验评估建议和国家的最先进的技术。
2019-10-17 cs.LG cs.NE eess.SP
COLD: Concurrent Loads Disaggregator for Non-Intrusive Load Monitoring
Artificial Intelligence Research Institute（人工智能研究院）
提出基于Transformer的COLD模型，解决高频多设备并发负载分解问题，支持42个设备，11个并发负载，识别准确率95%，分解性能82%，并引入新数据集。
2025-01-21 cs.LG eess.SP
Approaches to human activity recognition via passive radar
DIPARTIMENTO DI INGEGNERIA DELL’INFORMAZIONE（信息工程系）
针对传统人类活动识别方法侵入性强、隐私风险高的问题，提出结合脉冲神经网络与DeepProbLog符号推理框架的无源雷达CSI识别方法，兼具低功耗、高准确率与可解释性。
2024-10-31 cs.LG
Fed-NILM: A Federated Learning-based Non-Intrusive Load Monitoring Method for Privacy-Protection
非侵入式负载监测（NILM）对于了解客户的电力消耗模式至关重要，并且可以在减少碳排放和节能等方面找到广泛的应用。NILM模型的训练需要包含不同类型电器的大量负载数据。然而，在NILM模型训练期间，本地数据所有者可能会遇到负载数据不足和电力消费者隐私泄露的风险。为了防止这种潜在的风险，本文提出了一种新的NILM方法称为联邦NILM，它是基于联邦学习（FL）。在Fed-NILM中，本地模型参数而不是本地负载数据在多个数据所有者之间共享。通过对参数进行加权平均来获得全局模型。基于两个实测负载数据集的实验，探讨了Fed-NILM的泛化能力。此外，Fed-NILM与本地训练的NILM和中央训练的NILM进行了比较。实验结果表明，Fed-NILM算法具有较好的可扩展性和收敛性。Fed-NILM优于本地数据所有者操作的本地训练的NILM，并且接近在没有隐私保护的情况下在整个负载数据集上训练的中央训练的NILM。提出的Fed-NILM显着提高了本地数据所有者的协同建模能力，同时保护电力消费者的隐私。
2021-06-25 cs.DC cs.LG
Improving Non-Intrusive Load Disaggregation through an Attention-Based Deep Neural Network
University of Rome Tor Vergata（罗马第二大学）
能量分解，在文献中称为非侵入式负载监测（NILM），是在给定由监测多个电器的单个智能电表记录的总功率需求的情况下推断各个电器的功率需求的任务。在本文中，我们提出了一个深度神经网络，它结合了回归子网络和分类子网络来解决NILM问题。具体来说，我们通过在回归子网络中包含具有定制注意力机制的编码器-解码器来提高整体架构的泛化能力。注意力机制受到时间注意力的启发，时间注意力已成功应用于神经机器翻译、文本摘要和语音识别。在两个公开的数据集-REDD和UK-DALE-上进行的实验表明，我们提出的深度神经网络在所有考虑的实验条件下都优于最先进的技术。我们还表明，建模注意力转化为网络的能力，正确地检测打开或关闭一个设备，并定位信号部分具有高功耗，这是在能源分解领域的极大兴趣。
2021-02-08 cs.LG eess.SP stat.ML
Prior Flow Variational Autoencoder: A density estimation model for Non-Intrusive Load Monitoring
Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）
非侵入式负载监测（NILM）是一种计算技术，用于根据单个仪表测量的整个消耗量来估计逐个设备的电力负载。在本文中，我们提出了一种基于深度神经网络的条件密度估计模型，该模型将条件变分自编码器与条件可逆归一化流模型相结合，以估计单个设备的电力需求。所得到的模型称为先验流变分自编码器，或者为简单起见称为PFVAE。因此，不是每个设备具有一个模型，而是所得到的模型负责一次逐个设备地估计功率需求。我们训练和评估我们提出的模型在一个公开的数据集组成的电力需求的措施，位于巴西的家禽饲料厂。该模型的质量进行评估，通过比较获得的归一化解聚误差（NDE）和信号聚合误差（SAE）与以前的工作值在同一数据集上。我们的建议取得了极具竞争力的结果，对于属于数据集的八台机器中的六台，我们观察到NDE从28%到81%，SAE从27%到86%的持续改进。
2021-06-27 cs.AI cs.CV cs.LG
A Federated Learning Framework for Non-Intrusive Load Monitoring
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
非侵入式负荷监测（NILM）的目的是将家庭用电量的总读数分解为电器方面的读数，这有利于消费者行为分析以及节能。基于深度学习的NILM一直是研究的热点。为了训练一个更好的神经网络，需要向网络提供包含各种电器和反映消费者行为习惯的海量数据。因此，拥有NILM数据的公用事业和DNO（分布式网络运营商）之间的数据合作变得越来越重要。然而，在合作过程中，消费者隐私泄露和数据控制权丧失的风险也随之产生。针对上述问题，本文提出了一种利用联邦学习提高NILM性能的框架。在该框架中，模型的权重，而不是本地数据之间共享的实用程序。全局模型通过对局部训练模型权重进行加权平均以收集局部训练模型信息来生成。最优模型选择帮助选择最适合不同领域数据的模型。实验结果表明，该方法提高了本地NILM运行器的性能。该框架的性能接近于在没有隐私保护的情况下通过收敛数据获得的集中训练模型的性能。
2021-04-04 cs.DC cs.LG eess.SP
Subtask Gated Networks for Non-Intrusive Load Monitoring
Encored Technologies（Encored科技公司）；Sungkyunkwan University（成均馆大学）；Seoul National University（首尔国立大学）
非侵入式负载监测（NILM），也称为能量分解，是一种盲声源分离问题，其中家庭的总电力消耗被分解为各个电器的电力使用。这样，可以避免在众多家用电器上安装许多测量装置的成本和麻烦，并且只需要安装一个装置。自1992年Hart的开创性论文以来，这个问题一直是众所周知的，最近通过采用深度网络实现了显着的性能改进。在这项工作中，我们专注于设备具有开/关状态的想法，并开发一个深度网络以进一步提高性能。具体来说，我们提出了一个子任务门控网络，它结合了主回归网络和开/关分类子任务网络。与典型的多任务学习算法不同，在典型的多任务学习算法中，多个任务简单地共享网络参数以利用任务之间的相关性，子任务门控网络将主网络的回归输出乘以子任务的分类概率。当备用电源被额外学习时，所提出的解决方案超过了大多数基准测试情况下的最先进性能。子任务门控网络可以非常有效的任何问题，固有的开/关状态。
2018-11-16 cs.LG stat.AP stat.ML
More Behind Your Electricity Bill: a Dual-DNN Approach to Non-Intrusive Load Monitoring
Peng Cheng Laboratory（鹏城实验室）；Chinese University of Hong Kong（香港中文大学）
非侵入式负载监测（NILM）是一种著名的单通道盲声源分离问题，其目的是将家庭能源消耗分解为各个电器的逐项能源使用。这样，透过提高住户的能源使用意识，可节省大量能源。最近的研究表明，深度神经网络（DNN）为基础的方法是有前途的NILM任务。然而，他们通常忽略了网络设计中设备操作的固有属性，可能导致令人难以置信的结果。因此，我们有动力开发双深度神经网络（dual-DNN），其目的是i）利用DNN的潜在特征学习能力，ii）赋予DNN架构以通用属性的识别能力。具体来说，在双DNN的设计中，我们采用一个子网来测量不同设备的运行状态的额定功率，另一个子网来识别目标设备的运行状态。最后将两个网络输出相乘，并考虑到家用电器的多状态特性，得到最终的结果。为了加强稀疏属性在家电的状态操作，我们采用中值滤波和硬门控机制的子网络的状态识别。与最先进的NILM方法相比，我们的双DNN方法在两个公共基准数据集上平均性能提高了21.67%。
2021-06-01 cs.AI cs.LG
Non-Intrusive Load Monitoring Based on Image Load Signatures and Continual Learning
Tashkent State Technical University（塔什干国立技术大学）；Wuhan University（武汉大学）
针对NILM特征鲁棒性与泛化不足的问题，本文将多维电力信号转为图像负荷签名，结合深度卷积网络、自监督预训练和持续在线学习实现多设备识别，并在高采样率数据集上验证准确率显著提升。
2025-06-07 cs.AI cs.CV cs.LG
Prompting Large Language Models for Training-Free Non-Intrusive Load Monitoring
Southern University of Science；Technology \& Peng Cheng Laboratory；The Chinese University of Hong Kong, Shenzhen；The Hong Kong University of Science；Tsinghua University
本文提出首个基于提示的LLM非侵入式负荷监测框架，利用上下文学习实现无需训练的设备分解，在REDD和UK-DALE上验证了其泛化性与可解释性，但性能不及传统深度学习。
2025-08-02 cs.AI cs.LG eess.SP
Towards trustworthy Energy Disaggregation: A review of challenges, methods and perspectives for Non-Intrusive Load Monitoring
National Technical University of Athens（雅典国立技术大学）
非侵入式负载监控（NILM）是将总功耗分解为各个子组件的任务。多年来，信号处理和机器学习算法已经结合起来实现这一目标。大量的出版物和广泛的研究工作进行了能量分解或NILM的国家的最先进的方法，以达到理想的性能。科学界最初的兴趣是使用机器学习工具在数学上制定和描述NILM问题，现在已经转移到更实用的NILM。目前，我们正处于NILM的成熟期，人们正在尝试将NILM应用于现实生活中的应用场景。因此，算法的复杂性，可转移性，可靠性，实用性和一般的可信度是主要的问题。这篇综述缩小了早期未成熟NILM时代和成熟NILM时代之间的差距。特别是，本文提供了一个全面的文献综述的NILM方法，住宅电器。本文分析、总结和介绍了大量最近发表的学术文章的成果。此外，本文还讨论了这些方法的亮点，并介绍了研究人员应用NILM方法时应考虑的研究困境。最后，我们需要将传统的分解模型转化为一个实用和值得信赖的框架。
2022-07-05 cs.AI cs.LG eess.SP
MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited Labeled Data
University of California Santa Cruz（加州大学圣克鲁兹分校）；University of Georgia（佐治亚大学）；Eaton Research Labs（伊顿研究实验室）
提出多电器任务框架MATNilm与样本增强方案，通过共享分层结构和二维注意力机制，在有限标注数据下显著提升非侵入式负荷监测性能，相对误差平均降低50%以上。
2023-07-29 cs.LG eess.SP
A Comprehensive Review on the NILM Algorithms for Energy Disaggregation
Deakin University（迪肯大学）；Edith Cowan University（伊迪丝·考恩大学）
随着城市化和世界各地高层建筑建设的增长，住房结构发生了变化，这需要终端设备的实时节能和管理。这一转变也伴随着智能电表的出现，智能电表能够从建筑物的总功耗读数中估计特定于电器的功耗。非侵入式负载监测（NILM）或能量分解的目的是将在总体水平上测量的家庭能量分离成组成电器。多年来，信号处理和机器学习算法已经结合起来实现这一目标。在能源分解、非侵入性负载监测、家庭能源管理和电器分类方面进行了令人难以置信的研究和出版。存在一个API，NILMTK，一个可重复的基准算法。已经采用了许多其他方法来执行能源分解，例如深度神经网络架构和用于家庭能源分解的大数据方法。本文提供了一个调查的有效NILM系统框架，并全面审查基准算法的性能。本文还总结了广泛的应用范围和算法性能的有效性在三个公开的数据集。
2021-04-15 cs.LG eess.SP
Quantification of Disaggregation Difficulty with Respect to the Number of Meters
Tarbiat Modares University（塔比阿特莫达勒斯大学）
非侵入式负载监控（NILM）是一种有效的能源管理方法，通过分析聚集的消耗信号来提取住宅内电器的消耗曲线。在有效的NILM方法中，有基于事件的算法，其中聚合信号的事件根据引起它们的电器被检测和分类。已知大量的电器和具有接近消耗值的电器的存在限制了基于事件的NILM方法的性能。为了应对这些挑战，可以增强特征空间，这反过来又会导致额外的硬件成本、安装复杂性以及对消费者舒适度和隐私的担忧。这导致了一种替代方法的出现，即半侵入式负载监控（SILM），其中将电器划分为块，并通过单独的功率表监控每个块的消耗。虽然更多的电表可以实现更准确的分解，但它增加了负载监控的货币成本，这表明这是一个权衡，代表了该领域的一个重要差距。在本文中，我们采取了一种全面的方法来缩小这一差距，建立一个所谓的概念“分解难度度量（DDM），”量化它是多么困难，以监测事件的任何给定的一组设备的基础上，他们的功率值和消费者的使用行为。因此，DDM本质上量化了通过在电器的任何分区的块上安装仪表，在通用的基于事件的算法的分解准确性方面预期获得多少。基于REDD数据集的实验结果说明了所提出的方法在解决上述权衡的实用性。
2021-01-18 cs.LG cs.SY eess.SY
Adversarial Energy Disaggregation for Non-intrusive Load Monitoring
University of Electronic Science and Technology of China（电子科技大学）；Shandong Normal University（山东师范大学）
能量分解，也称为非侵入式负载监控（NILM），挑战了将整个家庭的电力使用分离为特定于电器的个人消费的问题，这是数据分析的典型应用。{NILM旨在帮助家庭了解如何使用能源，从而告诉他们如何有效地管理能源，从而提高能源效率，这被认为是可持续能源政策的两大支柱之一（即，能源效率和可再生能源）。尽管NILM无法识别，但人们普遍认为NILM问题可以通过数据科学来解决。现有的方法大多通过传统的技术，如稀疏编码，非负矩阵分解，隐马尔可夫模型来解决能量分解问题。最近的进展表明，深度神经网络（DNN）可以为NILM获得良好的性能，因为DNN可以固有地学习不同设备的区分签名。在本文中，我们提出了一种新的方法命名为对抗能量解聚（AED）的DNNs的基础上。我们将对抗学习的思想引入到NILM中，这对于能量分解任务来说是新的。我们的方法通过对抗方式训练生成器和多个鉴别器。所提出的方法不仅学习不同设备的分片表示，而且捕获每个设备的特定多模结构。在真实世界数据集上的大量实验验证了我们的方法可以实现新的最先进的性能。
2021-08-02 cs.AI cs.CV cs.LG
Ask for Any Appliance: A Prompt-Programmable Foundation Model for Non-Intrusive Load Monitoring
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Southern University of Science and Technology（南方科技大学）
本文提出FM4NILM，一个可提示编程的基础模型，通过自然语言和示例从聚合数据中估计任意电器的功率轨迹，以单一共享模型实现多电器分解，优于专用基线。
2026-09-22 cs.LG eess.SP
A Novel Hybrid Deep Learning Approach for Non-Intrusive Load Monitoring of Residential Appliance Based on Long Short Term Memory and Convolutional Neural Networks
University of Glasgow（格拉斯哥大学）
能量分解或非侵入式负载监测（NILM），是一个单输入盲源鉴别问题，旨在将干线用户的电力消耗解释为设备水平测量。本文提出了一种通过使用深度递归长短期记忆（LSTM）网络结合卷积神经网络（CNN）进行功率分解的新方法。深度神经网络由于其复杂性和大量的可训练参数，已被证明是解决这类问题的重要方法。本文提出的混合方法可以显著提高NILM的整体精度，因为它受益于两个网络的优点。所提出的方法使用序列到序列学习，其中输入是电源的窗口，输出是目标设备的窗口。所提出的深度神经网络方法已被应用于现实世界的家庭能源数据集“REFIT”。本文描述的REFIT电力负荷测量数据集包括整个房屋的总负荷和9个单独的电器测量，每个房子在8秒的时间间隔，连续收集了超过两年的时间从英国各地的20所房子。所提出的方法取得了显着的性能，提高准确率和F1分数的措施，分别为95.93%和80.93%，这表明所提出的方法的有效性和优越性的家庭能源监测。所提出的方法和其他最近公布的方法的比较已经提出和讨论的基础上的精度，所考虑的器具和深度神经网络可训练参数的大小的数量。与以往的方法相比，该方法具有显著的性能。
2021-04-15 cs.LG cs.SY eess.SY
IMG-NILM: A Deep learning NILM approach using energy heatmaps
University of Bristol（布里斯托大学）
能源分解估计家电用电量从一个单一的米，衡量整个家庭的电力需求。与侵入式负载监控相比，NILM（非侵入式负载监控）具有成本低、易于部署、灵活性强等优点。在本文中，我们提出了一种新的方法，创造IMG-NILM，利用卷积神经网络（CNN）来分解表示为图像的电力数据。与传统的将电力数据作为时间序列处理的方法不同，IMG-NILM将时间序列转换为热图，将更高的电力读数描绘为“更热”的颜色。然后在CNN中使用图像表示来从聚合数据中检测电器的签名。IMG-NILM功能强大且灵活，在各种类型的设备上具有一致的性能;包括单一和多个状态。它在单个房屋内的UK-Dale数据集上达到了高达93%的测试准确度，其中存在大量的电器。在从不同房屋收集电力数据的更具挑战性的环境中，IMG-NILM也达到了85%的平均准确度。
2022-07-26 cs.LG eess.SP
Unsupervised algorithm for disaggregating low-sampling-rate electricity consumption of households
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；CSEM（瑞士电子与微技术中心）
在过去的十年中，非侵入式负载监控（NILM）得到了广泛的研究。NILM的目标是识别单个设备的功耗，并通过测量整个房屋的功耗来检测特定设备何时打开或关闭。这些信息使家庭能够获得关于如何更好地管理其电力消耗的定制建议。在本文中，我们提出了一种替代NILM的方法，打破了聚合的电力信号到电器的类别。最终目标是将这种方法用于需求方管理，以估计家庭用电量的潜在灵活性。我们的方法被实现为一个算法结合NILM和负载分布模拟。该算法基于马尔可夫模型，将活动链分配给家庭的每个居民，从全屋功率测量和统计数据中推导出电器使用情况，相应地生成功率分布，并最终返回每个电器类别随时间消耗的能量份额。为了分析其性能，该算法与几种最先进的NILM算法进行了基准测试，并在三个公共数据集上进行了测试。所提出的算法是无监督的，因此它不需要任何标记的数据，这是昂贵的获取。虽然监督算法表现出更好的性能，但我们提出的无监督算法实现了类似的不确定性范围，同时节省了获取标记数据的成本。此外，我们的方法需要较低的计算能力相比，大多数测试NILM算法。它专为低采样率功率测量（每15分钟一次）而设计，这对应于大多数常见智能电表的频率范围。
2019-08-20 cs.LG eess.SP
Breaking the ICE: Exploring promises and challenges of benchmarks for Inference Carbon & Energy estimation for LLMs
Accenture Labs, India（Accenture实验室，印度）；Accenture, India（Accenture，印度）；Accenture, USA（Accenture，美国）
本文提出利用现有LLM基准估算提示级推理碳排放的框架R-ICE，以克服当前监测与估算工具侵入性强、误差大等挑战，验证结果显示出良好潜力，支持动态路由与碳核算等应用。
2025-06-10 cs.AI cs.CY cs.LG
Few Labels are all you need: A Weakly Supervised Framework for Appliance Localization in Smart-Meter Series
EDF R&D（EDF研发部）；Université Paris Cité（巴黎城市大学）；Inria（法国国家信息与自动化技术研究所）；ENS（巴黎高等师范学校）；PSL（巴黎综合理工学院）；CNRS（法国国家科学研究中心）；Université Paris Cité - IUF（巴黎城市大学-国际大学）
本文提出弱监督框架CamAL，仅利用家庭中电器是否存在的少量标签，通过深度学习分类器集成与可解释分类方法实现电器模式定位，在4个真实数据集上显著优于现有弱监督基线，并接近或超过完全监督NILM方法的性能。
2025-06-06 cs.LG
Energy Disaggregation using Variational Autoencoders
École de Technologie Supérieure（高等技术学院）；Université du Québec（魁北克大学）；La Forge Research Laboratory - Ubisoft（育碧La Forge研究实验室）
非侵入式负载监控（NILM）是一种使用单个传感器测量建筑物总功耗的技术。使用能量分解方法，可以从总体测量中估计单个电器的消耗。最近的解聚算法显着提高了NILM系统的性能。然而，这些方法对不同房屋的推广能力以及多状态电器的分解仍然是主要的挑战。在本文中，我们解决这些问题，并提出了一个能量分解方法的基础上的变分自编码器框架。概率编码器使得该方法成为用于对与目标器具消耗的重构相关的信息进行编码的有效模型。特别是，所提出的模型准确地产生更复杂的负载配置文件，从而提高了多状态器具的功率信号重构。此外，其正则化的潜在空间提高了模型在不同房屋之间的泛化能力。所提出的模型相比，国家的最先进的NILM方法的UK-DALE和REFIT数据集，并产生竞争力的结果。与最先进的设备相比，所有设备的平均绝对误差平均降低了18%。F1分数增加了11%以上，表明在总体测量中目标设备的检测有所改进。
2021-07-19 cs.LG eess.SP
Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism
本文提出一种结合CNN、BiLSTM和注意力机制的混合模型，用于低频非侵入式负载监测，在REDD数据集上实现了优于现有方法的准确性和计算效率。
2023-11-14 cs.LG cs.SY eess.SY
Representation Learning for Appliance Recognition: A Comparison to Classical Machine Learning
非侵入式负载监控（NILM）旨在借助信号处理和机器学习算法，从聚合的消耗测量中检索能耗和设备状态信息。深度神经网络的表示学习已成功应用于多个相关学科。表示学习的主要优点在于用从原始数据格式的许多表示中进行的分层学习来取代专家驱动的手工特征提取。在本文中，我们展示了如何改进NILM处理链，降低复杂性，并与最近的深度学习算法交替设计。在基于事件的家电识别方法的基础上，我们评估了七种不同的分类模型：基于手工特征提取的经典机器学习方法，用于原始波形数据自动特征提取的三种不同深度神经网络架构，以及用于原始数据处理的三种基线方法。我们在两个大规模的能源消耗数据集上评估了所有方法，这些数据集包含44个设备的50，000多个事件。我们表明，通过使用深度学习，我们能够达到并超过最先进的经典机器学习方法用于家电识别的性能，其F-Score为0.75和0.86，而经典方法为0.69和0.87。
2022-08-26 cs.AI cs.LG eess.SP
PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks
Simon Fraser University（西蒙弗雷泽大学）
非侵入式负载监控（NILM）允许用户和能源供应商仅使用建筑物的智能电表来深入了解家用电器的用电情况。NILM的大多数当前技术都是使用大量标记的电器功率数据进行训练的。这些数据的收集是具有挑战性的，使得数据成为创建通用化NILM解决方案的主要瓶颈。为了帮助减轻数据限制，我们提出了第一个真正的合成家电功率签名生成器。我们的解决方案PowerGAN是基于有条件的、逐步增长的1-D Wasserstein生成对抗网络（GAN）。使用PowerGAN，我们能够合成真正随机和真实的电器功率数据签名。我们使用传统的GAN评估方法（如Inception评分），以定性和数值的方式评估PowerGAN生成的样本。
2020-07-20 cs.LG eess.SP
Deep Learning Based Energy Disaggregation and On/Off Detection of Household Appliances
University of Surrey（萨里大学）；VU University Amsterdam（阿姆斯特丹自由大学）
能量分解，又名。非侵入式负载监测旨在将单个电器的能耗与测量例如整个房屋的总能耗的主功率计的读数分离。单个电器的能量消耗在许多应用中是有用的，向最终用户提供设备级反馈，帮助他们了解自己的能耗，最终实现节能。近来，随着大规模能量消耗数据集的可用性，已经研究了诸如卷积神经网络和递归神经网络的各种神经网络模型来解决能量分解问题。神经网络模型可以从大量数据中学习复杂的模式，并且已经被证明优于传统的机器学习方法，例如隐马尔可夫模型的变体。然而，当前用于能量分解的神经网络方法要么计算昂贵，要么不能处理长期依赖性。在本文中，我们调查的应用程序最近开发的WaveNet模型的任务，能源解聚。基于两年多来从20个家庭收集的真实世界能源数据集，我们表明WaveNet模型在误差测量和计算成本方面优于文献中提出的最先进的深度学习方法。在能量分解的基础上，我们研究了两种基于深度学习的框架在开/关检测任务中的性能，该任务旨在估计设备是否处于运行状态。基于相同的数据集，我们表明，对于开/关检测的任务，第二个框架，即，直接训练二元分类器，在F1得分方面取得了更好的性能。
2019-08-05 cs.LG cs.MM eess.SP
Learning Task-Aware Energy Disaggregation: a Federated Approach
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
我们考虑的问题，学习住宅负荷数据的能量分解信号。这样的任务被称为非侵入式负载监测（NILM），并且为了基于聚集的仪表测量来找到各个设备的功耗简档，通常基于来自多个住宅的大量训练数据来训练机器学习模型。然而，收集这样的住宅负荷数据集需要巨大的努力和客户对共享计量数据的批准，而来自不同地区或电力用户的负荷数据可能会表现出异构的使用模式。这两个实际问题使得训练一个单一的、集中的NILM模型具有挑战性。在本文中，我们提出了一个分散的和任务自适应学习计划NILM任务，嵌套元学习和联邦学习步骤设计用于学习特定于任务的模型集体。基准数据集上的仿真结果验证了所提出的算法的性能，有效地推断各种家庭和电器的电器级消费。
2022-11-27 cs.LG cs.SY eess.SY
Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data
Monash University（莫纳什大学）
本文提出利用天气数据与联邦序列到序列学习框架L2GD，在不共享数据的低分辨率智能电表场景下实现12种高低耗能电器的负荷分解，有效处理统计异质性并显著提升NILM性能。
2024-08-15 cs.AI cs.LG eess.SP
Online Gaussian LDA for Unsupervised Pattern Mining from Utility Usage Data
Bournemouth University（伯恩茅斯大学）
非侵入式负载监测（NILM）旨在将整个家庭的能量信号分离到其电器组件中。这种方法可以用来提供各种服务，以更好地管理和控制能源消耗（最佳规划和节省）。NILM传统上是从信号处理和电气工程的角度来研究的。最近，机器学习开始在NILM中发挥重要作用。虽然大多数工作都集中在监督算法上，但无监督方法可能更有趣，并且在实际情况下更实用。具体而言，它们不需要从各个电器获取标记的训练数据，并且可以部署该算法以直接对测量的聚合数据进行操作。在本文中，我们提出了一个完全无监督的NILM框架的基础上贝叶斯分层混合模型。特别是，我们开发了一种新的方法，高斯潜在狄利克雷分配（GLDA）的基础上，以提取全球组件，总结的能量信号。这些组件提供了消费模式的表示。我们的算法旨在处理大数据，与现有的NILM算法不同，我们的算法不专注于设备识别。为了处理这些庞大的数据，GLDA在线工作。与现有的NILM相比，这项工作的另一个新颖之处在于，数据涉及不同的公用事业（例如，电力，水和天然气）以及一些传感器测量。最后，我们提出了不同的评估方法来分析结果表明，我们的算法发现有用的模式。
2019-10-25 cs.LG stat.ML
Trimming Feature Extraction and Inference for MCU-based Edge NILM: a Systematic Approach
University of Bologna（博洛尼亚大学）；University of Trento（特伦托大学）；ETH Zurich（苏黎世联邦理工学院）
非侵入式负载监控（NILM）能够将来自单个智能电表的多个负载的全局功耗分解为设备级细节。最先进的方法基于机器学习方法，并利用来自电流和电压传感器的时域和频域特征的融合。不幸的是，这些方法需要大量的计算和内存。因此，在低成本、资源受限的基于MCU的仪表上运行低延迟NILM目前是一个公开的挑战。本文讨论了在内存和计算有限的MCU上执行最先进的（SoA）NILM算法所需的特征空间优化以及计算和存储成本降低。我们比较了四个监督学习技术在不同的分类方案和特点的整体NILM管道的实现基于MCU的智能测量节点。实验结果表明，优化特征空间使基于边缘MCU的NILM具有95.15%的准确度，与最准确的特征向量部署（96.19%）相比略有下降，同时实现高达5.45倍的速度提升和80.56%的存储减少。此外，我们表明，仅依赖于电流测量的低延迟NILM达到近80%的准确度，通过从硬件设计中去除电压传感器，可以大幅降低成本。
2021-05-21 cs.LG
NILM as a regression versus classification problem: the importance of thresholding
Universidad de Cádiz（加的斯大学）；Universidad Complutense de Madrid（马德里康普顿斯大学）
本文比较 NILM 的回归与分类建模范式，评估三种阈值化方法及深度学习架构在 UK-DALE 上的表现，并提出阈值方法选择准则。
2020-10-28 cs.LG eess.SP
A PID-Controlled Non-Negative Tensor Factorization Model for Analyzing Missing Data in NILM
School of Computer Science（计算机学院）；Southwest University（西南大学）
本文针对NILM数据缺失问题，提出PID控制的非负张量隐因子分解模型PNLF，通过动态调整参数梯度提升收敛性、稳定性和准确性，实验证明其在精度和效率上优于现有张量补全方法，为智能电网提供可靠数据支持。
2024-10-21 cs.LG
A Robust Approach for the Decomposition of High-Energy-Consuming Industrial Loads with Deep Learning
Shenyang University of Technology（沈阳工业大学）；Ulanqab Electric Power Bureau（乌兰察布电业局）；Northeast Electric Power University（东北电力大学）
了解用户的用电模式是电力公司与用户在关键决策方面的重要协调机制。因此，负荷分解对于揭示负荷消耗及其特性之间的潜在关系至关重要。然而，传统上对住宅和商业负载执行负载分解，并且没有充分考虑高能耗工业负载，导致低效结果。因此，本文的重点是工业园区负荷分解（IPL）。然而，传统方法中常用的参数不适用于高能耗的工业负载。因此，开发了一种更稳健的方法，包括三种算法模型，以在IPL上实现这一目标。首先，采用改进的变分模式分解（IVMD）算法对IPL的训练数据进行去噪处理，提高IPL的稳定性。其次，利用卷积神经网络（CNN）和简单递归单元（SRU）联合算法，基于IPL特性，利用双层深度学习网络实现IPL的非侵入式、非侵入式分解过程。具体而言，CNN用于提取IPL数据特征，而改进的长短期记忆（LSTM）网络，SRU，采用开发的分解模型，并进一步训练负荷数据。通过鲁棒分解过程，提取负荷消耗中的潜在关系。数值算例的结果表明，该方法优于传统分解方法。
2022-03-11 cs.LG cs.SY eess.SP
Energy Injection Identification enabled Disaggregation with Deep Multi-Task Learning
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；The Hong Kong University of Science（香港科学大学）；Southern University of Science（南方科技大学）；University of Cambridge（剑桥大学）
提出DualNILM框架，通过深度多任务学习同时实现电器状态识别和注入能量识别，解决分布式能源对非侵入式负荷监测的干扰问题。
2026-06-23 cs.LG eess.SP
